船舶动力定位的神经网络控制系统及其方法技术方案

一种船舶动力定位的神细网络控制系统及其方法，它包括计算机、电位放大器、模拟／数字转换器、测位系统、滤波器、学习器、优化决策器和执行机构等。其动力定位方法是由测位系统将信息经滤波后送给学习器，再经优化决策选择将控制信号输给执行机构，使船以最小误差与冲击接近指定位置。本发明专利技术能自适应于船的装载变化及海况变化，能提高动力定位的精度，节约定位能耗。（*该技术在2014年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及一种船舶动力定位的控制系统及其方法，特别是涉及一种神经网络控制系统及其方法。目前的船舶动力定位控制系统一般由控制器、电位放大器、滤波器、测位探头及执行机构组成，在控制器中采用的控制方法是“比例—积分—微分”方法，即PID方法，船在受到风、浪、流等环境力的作用后必然漂流原位，此时由PID系统起反馈控制作用，使船复位，几十万吨到几百万吨的船经常依靠动力移来移去必定耗费大量能量。另外，海上动力定位精度的要求也随任务而异，铺管船在海上作业时，往往要定位到1～2米的精度，而海上钻控船或采矿船则往往随水深而异，仅需要定位到水深的3～5％，即同一条船在执行不同任务时会有不同的定位精度要求，PID系统则难于自适应不同定位精度的要求。英国专利GB2198553A(公开日1988年7月15日)虽然描述了一种可抵消风力、流力的前馈式控制系统，但它需要多个探头布置于船的四角约500～1000米的海面上，以此来探知风向、风速、流向、流速、波向、波高的改变，即未脱离系泊于浮筒，这种前馈式控制不能抵消波浪的漂力，且信息处理是依赖于计算机的离线学好船舶动力响应并贮存于数据库。本专利技术的目的是提供一种能自适应于船的装载变化及海况变化，能提高动力定位精度，大大降低定位能耗的前馈式动力定位神经网络控制系统及其方法。本专利技术的神经网络控制系统包括一台计算机、一台电位放大器、模拟/数字转换器、数字/模拟转换器、滤波器、测位系统、执行机构、一套经在线学习能预报下一个或几个时间点环境力的学习器和起调节作用的优化—决策器，执行机构是一套由2个或多个全方位回转螺旋桨或3个以上不在同一条直线布置的推进器组成，测位系统是卫星定位仪或水声定位系统。本专利技术神经网络控制系统的定位方法是这样的，测位系统不断将船的地理位置信息经模拟/数字转换器输送给滤波器，滤波器采用无相位差滤波消除高频成份后，将低于波浪频率部分传递给学习器，学习器的神经网络根据该信息及执行机构的控制量，采用人工神经网络自我学习算法，不断地作在线学习，掌握船舶在该装载与海况下的动力定位的控制规律，不断向优化—决策器预报下一时刻船的控制力与位置，优化—决策器依靠从学习器得到的控制规律及预报，用“指导性的人工模拟退火”(Guided Evolutinary Simulated Annealing)全局优化算法调节控制参数，选择相对最优的控制力信号，该信号经过数字/模拟转换器产生模拟信号并经信号放大器增强后输出给执行机构，执行机构按指令执行，将船移到指定位置。附图说明图1是神经网络控制系统定位方法示意图。图2是执行机构示意图。图3是学习器神经网络示意图。图4是学习器激励函数示意图。图5是优化—决策器的神经网络示意图。图6是模拟实验结果示意图。下面结合附图对本专利技术加以说明。图2说明了两个全方位螺旋浆可以得到的控制力fx、fy和力矩mz，其中fx＝T1cosθ1＋T2cosθ2fy＝T1sinθ1＋T2sinθ2mz=(y2tanθ1-x1)·T1sinθ1]]>+(y1tanθ2-x2)·T2sinθ2]]>控制系统可变化的参数有4个，即T1、T2、θ1、θ2，而方程式有3个，因此可以选择较好的组合或固定其中一个参数而解其它三个参数。图3给出的学习器函数型链接神经网络(Functional Link Net)，其中向量 x2，……xN}，而x1，x2…xm……xN等为输入量，代表各个时刻船位y与控制力u，y与u均有3个分量， 为若干个随机向量，b1，……bj为若干个随机标量， 是对输入量的增强信息，每给定一个k值就有一组由图1所示的模式，除当前时刻以外，连续取4个代表过去的k值，就有5个模式。图中的y(k＋1)附合下式 其中各量均为已知，αm、βj是特定的权系数，学习器利用5个模式的输入量及增强信息经过学习，使得网络对每个模式的输入 都非常接近于每个学习模式的目标y(k＋1)，也就是说，训练要使之成为船舶漂移动力学的仿真器，每给定一个输入模式(多维输入空间)就能“映象”到一个一维输出空间而得到 ，逐步接近于目标y(k＋1)，训练的方法是不断地变更αm，βj，并按最速下降法使误差E=[y(k+1)-y^(k+1)]2]]>趋向于最小。一旦学习器学习好，则给定一组k为“当前时刻”的输入模式，就会得出一组k＋1时刻的预报输出 。本专利技术每控制一步，就重新训练学习器一遍，因为学习器是船舶动力学的仿真器，所以本专利技术的控制系统可以自适应于模式的变化，不论船的装载有什么变化，海况有什么变化，学习器均能学好变化后的船舶动力学。但是学习器所输出的预报船位 ，不一定是所需要的船位yd(k＋1)，所需要的船位yd(k＋1)在此是广义的，它可以指船的原始位置，也可以是任一个就近的指定位置。例如船在采海底矿产时或者船在铺设海底油管时，都需要慢慢地移动，yd(k＋1)就可以是轨迹上的各个点，每次还需要一个“优化—决策”环节来调整学习器发出的信息，选择相对最佳的模式使误差E1=[yd(k+1)-y^(k+1)]2]]>趋向于最小。优化—决策器的神经网络如图5所示，它与图3学习器的神经网络相似，在此把目标定为yd(k＋1)，开始时学习器神经网络输出 ，它与yd(k＋1)间存在误差E1，优化—决策的过程就是变更u(k)但不变化已经学习好的各个权系数，使E趋向于最小，具体地说就是在优化—决策环境中改变控制力，使预报的船舶位置与指定船舶位置的误差最小，调节好了的控制力信号使执行机构产生所需的T1、T2、θ1、θ2，并给出作用于船上的fx、fy、mz以调整下一时刻船的位置到指定的位置。这里，优化—决策器是采用自生成优化算法—指导性的人工模拟退火全局优化算法，使船逼近指定目标yd(k＋1)，u(k)的变化以t为代表，写成u(k，t)令u(k，t)服从下式的规律∂u(k,t)∂t=η·∂y^(k+1,t)∂u(k,t)·[yd(k+1)-y^(k+1,t)]]]> 其中η是一个比例常数，(在0与1之间任选)。则∂E1∂t=-2η(∂u(k,t)∂t)2≤0]]>可见E1将随着每一次t的迭代而单调下降趋于最小。图6表示了采用本专利技术对船舶模型进行定位模拟试验的结果。图中用“——”表示的曲线代表控制力，用“……”表示的曲线代表波浪力，从图中可看到，波浪漂力Fx、Fy、Mz的预报与本专利技术所产生的优化后控制力fx、fy、mz的预报较为接近，这说明了本专利技术的控制系统是前馈控制，可以很好地抵消波浪外力的干扰，达到定位的高精度、低能耗。本专利技术的实施是将本文档来自技高网...

【技术保护点】
一种船舶动力定位的神经网络控制系统，它包括一台计算机、一台电位放大器（９）、模拟／数字转换器（８）、数字／模拟转换器（１０）、滤波器（２）、测位系统（１）和执行机构（５），其特征在于还包括一套经在线学习能预报下一个或几个时间点环境力的学习器（３）和起调节作用的优化一决策器（４），执行机构（５）是一套由２个或多个全方位回转螺旋桨或３个以上不在同一条直线布置的推进器组成，测位系统（１）是卫星定位仪或水声定位系统。

【技术特征摘要】

【专利技术属性】
技术研发人员：顾懋祥，李定，包约翰，
申请(专利权)人：中国船舶工业总公司第七研究院第七零二研究所，
类型：发明
国别省市：32[中国|江苏]